CN105139373B - 基于独立子空间分析的无参考图像质量客观评价方法 - Google Patents
基于独立子空间分析的无参考图像质量客观评价方法 Download PDFInfo
- Publication number
- CN105139373B CN105139373B CN201510250386.6A CN201510250386A CN105139373B CN 105139373 B CN105139373 B CN 105139373B CN 201510250386 A CN201510250386 A CN 201510250386A CN 105139373 B CN105139373 B CN 105139373B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- msup
- image
- munderover
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于独立子空间分析的无参考图像质量客观评价方法。本发明具体实施包括如下步骤:1.对公知数据库中的大量原始图像进行独立子空间分析,获取相对独立的一系列图像特征,统计其直方图分布,采用广义高斯密度(Generalized Gaussian Density,GGD)模型获取其边缘分布的统计曲线,作为基准参考;2.基于独立子空间分析提取待测失真图像的图像特征,采用GGD模型获取特征信息的统计分布;3.对比处理获取的失真图像特征信息统计分布与基准参考统计分布,测量并累计综合所有特征信息对应的欧式距离作为待测失真图像的质量度量。本发明所提出的图像质量客观评价与主观评价具有很好的一致性,且性能优于传统图像质量评价方法。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种基于独立子空间分析的无参考图像质量客观评价方法。
背景技术
图像质量评价是指采用一定的评定标准度量图像在获取、处理、传输和存储的过程中产生的质量损失。它将有助于监控与评价图像质量,评测与优化图像处理系统的性能。目前,图像质量评价已经成为图像处理领域的重要研究内容,具有重要的理论研究和工程应用价值。
由于图像质量的主观评价方法存在耗时、费力和不可重复等缺陷,十分有必要基于人工智能等技术发展客观评价方法,以实现自动、高效、客观地评价图像质量。图像质量客观评价可以分为三个类别:全参考方法、半参考方法和无参考方法。这三类方法的主要区别在于对原始参考图像的依赖程度不同。由于无参考图像质量评价方法不需要原始图像信息作为参考,十分符合图像处理的实际应用场景,因此具有更加重要的研究价值。
在实际应用系统中,无参考图像质量评价往往基于对人类视觉系统和视觉心理学的研究成果,利用自然图像统计特性,提取与质量感知密切相关的图像特征信息,实现图像质量损伤的度量。目前,对于无参考图像质量评价的研究相对较少,其核心问题在于如何提取高质量的图像特征信息。
发明内容
本发明的目的是利用独立子空间分析,实现非线性图像特征的提取,提出一种基于独立子空间分析的无参考图像质量评价方法。通过提取图像中独立的非线性特征,并分析综合特征信息以实现对图像质量的映射,完成图像质量的测定与评价。
本发明基于独立子空间分析,通过对线性特征分组,构建相互独立的各个子空间,并采用非线性变换,实现了更加独立的图像特征的提取,以符合人类视觉系统对图像质量的感知特性,从而取得良好的图像质量评价效果。
本发明采取的技术方案是:
首先,对公知数据库(如美国德州大学奥斯汀分校的LIVE数据库)中的大量原始图像进行独立子空间分析,获取相对独立的一系列图像特征,统计其直方图分布,采用广义高斯密度(Generalized Gaussian Density,GGD)模型获取其边缘分布的统计曲线,作为基准参考;其次,基于独立子空间分析提取待测失真图像的图像特征,采用GGD模型获取特征信息的统计分布;进而,对比处理获取的失真图像特征信息统计分布与基准参考统计分布,测量并累计综合所有特征信息对应的欧式距离作为待测失真图像的质量度量。
本发明解决其技术问题所采用的技术方案如下:
步骤(1).循环读入公知数据库(如美国德州大学奥斯汀分校的LIVE图像数据库)中的原始图像。
步骤(2).将步骤(1)读入的原始图像分为若干个大小为m×n的图像块,将所有图像块组成维数为m×n的向量。
步骤(3).对步骤(2)所划分的各个图像块进行对比度增益控制的归一化处理;归一化处理采用局部做除的方法;具体如下:
其中,M(x,y)表示归一化后的图像块第x行第y列像素点的灰度值,I(x,y)为步骤(1)划分的大小为m×n的图像块中像素点的灰度值;
步骤(4).对步骤(3)得到的归一化后的图像块做白化处理;具体如下:
其中,表示白化处理后的图像块的灰度值,M(x,y)表示归一化后的图像块的灰度值;
步骤(5).对步骤(4)得到白化处理的图像信息做主成分分析,进行降维处理,降至p维;具体如下:
其中,Var(P)表示白化处理后的图像块灰度值的方差,P表示数据维数,a表示特征系数,λi表示特征根,λ1表示λi中最大的特征根,t表示特征根的数目,表示第i行图像块向量,利用公式(3)依次找到最大特征根,前p个最大特征根所表示的分量即为主成分PCA;
步骤(6).基于步骤(5)得到的降维后的数据,获取线性特征li:
其中,vi是正则化的线性特征检测器i,x和y分别是原始图像的像素坐标,W(x,y)是步骤(5)计算得到的白化后的数据;
步骤(7).通过设置分组规则,将步骤(6)获得的线性特征进行分组,组成相对独立的子空间,并利用非线性变换将各个子空间构建成独立的非线性特征信息Nk;
7.1分组规则为:
其中,S(k)是第k个子空间,W(x,y)是步骤(5)得到的白化数据,vi是正则化的线性特征检测器;
7.2非线性变换为:
其中,Nk为第k个非线性特征信息;
步骤(8).利用对数似然函数进一步提升步骤(7)得到的非线性特征信息Nk的稀疏性;采用的对数似然函数logL(v1,……,vn)如下:
其中,V=(v1,……,vn)为一系列特征检测器,T为非线性特征信息的数目,h为测量稀疏性的非线性函数;
步骤(9).利用广义高斯密度GGD模型拟合步骤(8)各个非线性特征信息中系数的边缘分布p(Nk);
其中,α是密度方差的宽度,Γ(·)为Gamma函数,它的一般表达式为Γ(s)=∫ts-1e-tdt;
步骤(10).以步骤(9)拟合获得的原始图像各个子空间的系数边缘分布作为特征信息的参考基准;
步骤(11).输入待测试的失真图像,并将输入的失真图像分为若干个大小为m×n的图像块,将所有图像块组成维数为m×n的向量;
步骤(12).利用步骤(3)-(9)方法计算步骤(11)输入的待测试失真图像的各个子空间的系数边缘分布;
步骤(13).测量步骤(10)和步骤(12)各个对应的子空间系数边缘分布的欧式距离,并进一步综合处理所有欧式距离,映射为待测试失真图像的质量失真;
其中,λk用于调整各个非线性特征信息的权重,R是GGD分布中的系数总数,和分别为步骤(10)和步骤(12)得到的广义高斯密度GGD分布的系数。
本发明的有益效果:
本发明通过独立子空间分析获取非线性的独立图像特征信息,利用广义高斯密度分布训练得到参考基准,并与测试图像特征信息的密度分布进行对比,测量二者的欧式距离,实现对图像质量损失的度量,实现对失真图像质量的客观评价。实验结果表明,基于本发明所提出方法对图像质量的评价性能与主观评价具有很好的一致性,优于传统图像质量评价方法。
附图说明
图1为本发明原理图。
具体实施方式
下面结合附图对本发明方法作进一步说明。
如图1所示,基于独立子空间分析的无参考图像质量客观评价方法,其具体实施步骤如下:
步骤(1).在Matlab环境下进行编程,将美国德州大学奥斯汀分校的LIVE图像数据库中的原始图片顺序编号,循环读入29幅原始图像。
步骤(2).将步骤(1)读入的图像分为若干个32×32的图像块,组成维数为1024的向量。
本实施例中,由于LIVE数据库中的图像尺寸大小不一,本发明步骤(2)对于长宽无法被32整除的图像,通过插值处理将其放大至32的整数倍。
步骤(3).对步骤(2)所划分的各个图像块进行比对度增益控制的局部做除归一化处理。局部做除归一化函数可以表示为,
其中,I(x,y)表示m×n的图像块中第x行第y列像素点的灰度值。
步骤(4).对步骤(3)得到的归一化后的图像块做白化处理;具体如下:
其中,表示白化处理后的图像块的灰度值,M(x,y)表示归一化后的图像块的灰度值;
步骤(5).对步骤(4)得到白化处理的图像信息做主成分分析,进行降维处理,降至p维;具体如下:
其中,Var(P)表示白化处理后的图像块灰度值的方差,P表示数据维数,a表示特征系数,λi表示特征根,λ1表示λi中最大的特征根,t表示特征根的数目,表示第i行图像块向量,利用公式(3)依次找到最大特征根,前p个最大特征根所表示的分量即为主成分PCA;
本实施例中,利用Matlab中PCA的库函数,在步骤(4)中得到的中心化后的图像进行主成分分析,获得降维后的图像。
步骤(6).基于步骤(5)得到的降维后的数据,获取线性特征li:
其中,vi是正则化的线性特征检测器i,x和y分别是原始图像的像素坐标,W(x,y)是步骤(5)计算得到的白化后的数据;
步骤(7).通过设置分组规则,将步骤(6)获得的线性特征进行分组,组成相对独立的子空间,并利用非线性变换将各个子空间构建成独立的非线性特征信息Nk;
步骤(7).通过设置分组规则,将步骤(6)获得的线性特征进行分组,组成相对独立的子空间,并利用非线性变换将各个子空间构建成独立的非线性特征信息Nk;
7.1分组规则为:
其中,S(k)是第k个子空间,W(x,y)是步骤(5)得到的白化数据,vi是正则化的线性特征检测器;
7.2非线性变换为:
其中,Nk为第k个非线性特征信息;
本实施例调用现有ISA的快速算法,将步骤(7)获得的线性特征进行分组,
组成相对独立的子空间,并利用非线性变换将各个子空间构建成独立的非线性特征信息。
步骤(8).利用对数似然函数进一步提升步骤(7)得到的非线性特征信息Nk的稀疏性;采用的对数似然函数logL(v1,……,vn)如下:
其中,V=(v1,……,vn)为一系列特征检测器,T为非线性特征信息的数目,h为测量稀疏性的非线性函数;
步骤(9).利用广义高斯密度GGD模型拟合步骤(8)各个非线性特征信息中系数的边缘分布p(Nk);
其中,α是密度方差的宽度,Γ(·)为Gamma函数,它的一般表达式为Γ(s)=∫ts-1e-tdt;
步骤(10).以步骤(9)拟合获得的原始图像各个子空间的系数边缘分布作为特征信息的参考基准;
步骤(11).输入待测试的失真图像,并将输入的失真图像分为若干个大小为m×n的图像块,将所有图像块组成维数为m×n的向量;
步骤(12).利用步骤(3)-(9)方法计算步骤(11)输入的待测试失真图像的各个子空间的系数边缘分布;
步骤(13).测量步骤(10)和步骤(12)各个对应的子空间系数边缘分布的欧式距离,并进一步综合处理所有欧式距离,映射为待测试失真图像的质量失真;
其中,λk用于调整各个非线性特征信息的权重,R是GGD分布中的系数总数,和分别为步骤(10)和步骤(12)得到的广义高斯密度GGD分布的系数。
Claims (1)
1.基于独立子空间分析的无参考图像质量客观评价方法,其特征在于包括如下步骤:
步骤(1).循环读入公知数据库中的原始图像;
步骤(2).将步骤(1)读入的原始图像分为若干个大小为m×n的图像块,将所有图像块组成维数为m×n的向量;
步骤(3).对步骤(2)所划分的各个图像块进行对比度增益控制的归一化处理;归一化处理采用局部做除的方法;具体如下:
<mrow>
<mi>M</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>&Sigma;</mi>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>m</mi>
<mo>&times;</mo>
<mi>n</mi>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,M(x,y)表示归一化后的图像块第x行第y列像素点的灰度值,I(x,y)为步骤(2)划分的大小为m×n的图像块中像素点的灰度值;
步骤(4).对步骤(3)得到的归一化后的图像块做白化处理;具体如下:
<mrow>
<mover>
<mi>M</mi>
<mo>~</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>M</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>m</mi>
<mo>&times;</mo>
<mi>n</mi>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mrow>
<mi>m</mi>
<mo>&times;</mo>
<mi>n</mi>
</mrow>
</munderover>
<mi>M</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,表示白化处理后的图像块的灰度值,M(x,y)表示归一化后的图像块的灰度值;
步骤(5).对步骤(4)得到白化处理的图像信息做主成分分析,进行降维处理,降至P维,得到数据W(x,y),具体如下:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>V</mi>
<mi>a</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>t</mi>
</munderover>
<msub>
<mi>&lambda;</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msup>
<mi>a</mi>
<mi>T</mi>
</msup>
<msub>
<mi>M</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>a</mi>
<mi>T</mi>
</msup>
<msub>
<mi>M</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>t</mi>
</munderover>
<msub>
<mi>&lambda;</mi>
<mi>i</mi>
</msub>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>a</mi>
<mi>T</mi>
</msup>
<msub>
<mi>M</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&le;</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>t</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>a</mi>
<mi>T</mi>
</msup>
<msub>
<mi>M</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msup>
<mi>a</mi>
<mi>T</mi>
</msup>
<msub>
<mi>M</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>a</mi>
<mi>T</mi>
</msup>
<msub>
<mi>M</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mo>=</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<msup>
<mi>a</mi>
<mi>T</mi>
</msup>
<msub>
<mi>M</mi>
<mi>i</mi>
</msub>
<msup>
<msub>
<mi>M</mi>
<mi>i</mi>
</msub>
<mi>T</mi>
</msup>
<mi>a</mi>
<mo>=</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<msup>
<mi>a</mi>
<mi>T</mi>
</msup>
<mi>a</mi>
<mo>=</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,Var(P)表示白化处理后的图像块灰度值的方差,P表示数据维数,a表示特征系数,λi表示特征根,λ1表示λi中最大的特征根,t表示特征根的数目,Mi表示图像第i行图像块向量,利用公式(3)依次找到最大特征根,前p个最大特征根所表示的分量即为主成分PCA;
步骤(6).基于步骤(5)得到的降维后的数据,获取线性特征li:
<mrow>
<msub>
<mi>l</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
</munder>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mi>W</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,vi是正则化的线性特征检测器,x和y分别是原始图像的像素坐标,W(x,y)是步骤(5)计算得到的数据;
步骤(7).通过设置分组规则,将步骤(6)获得的线性特征进行分组,组成相对独立的子空间,并利用非线性变换将各个子空间构建成独立的非线性特征信息Nk;
7.1分组规则为:
<mrow>
<munder>
<mi>min</mi>
<mrow>
<msub>
<mi>l</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>i</mi>
<mo>&Element;</mo>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<mo>{</mo>
<msqrt>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
</munder>
<mi>W</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>-</mo>
<msqrt>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>l</mi>
<mi>i</mi>
</msub>
<msup>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,S(k)是第k个子空间,W(x,y)是步骤(5)得到的数据,vi是正则化的线性特征检测器;
7.2非线性变换为:
<mrow>
<msub>
<mi>N</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>l</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,Nk为第k个非线性特征信息;
步骤(8).利用对数似然函数进一步提升步骤(7)得到的非线性特征信息Nk的稀疏性;采用的对数似然函数logL(v1,……,vn)如下:
<mrow>
<mi>log</mi>
<mi> </mi>
<mi>L</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>v</mi>
<mi>n</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>T</mi>
<mi> </mi>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mo>|</mo>
<mi>det</mi>
<mrow>
<mo>(</mo>
<mi>V</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>+</mo>
<munder>
<mo>&Sigma;</mo>
<mi>k</mi>
</munder>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<mi>h</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>N</mi>
<mi>k</mi>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,V=(v1,……,vn)为一系列特征检测器,T为非线性特征信息的数目,h为测量稀疏性的非线性函数;
步骤(9).利用广义高斯密度GGD模型拟合步骤(8)各个非线性特征信息中系数的边缘分布p(Nk);
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>N</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>c</mi>
</mfrac>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>N</mi>
<mi>k</mi>
</msub>
<msup>
<mo>|</mo>
<mi>&alpha;</mi>
</msup>
</mrow>
<msup>
<mi>b</mi>
<mi>&alpha;</mi>
</msup>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,α是密度方差的宽度,Γ(·)为Gamma函数,它的一般表达式为Γ(s)=∫ts-1e-tdt;
步骤(10).以步骤(9)拟合获得的原始图像各个子空间的系数边缘分布作为特征信息的参考基准;
步骤(11).输入待测试的失真图像,并将输入的失真图像分为若干个大小为m×n的图像块,将所有图像块组成维数为m×n的向量;
步骤(12).利用步骤(3)-(9)方法计算步骤(11)输入的待测试失真图像的各个子空间的系数边缘分布;
步骤(13).测量步骤(10)和步骤(12)各个对应的子空间系数边缘分布的欧式距离,并进一步综合处理所有欧式距离,映射为待测试失真图像的质量失真;
<mrow>
<mi>Q</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>t</mi>
</munderover>
<msub>
<mi>&lambda;</mi>
<mi>k</mi>
</msub>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>R</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&gamma;</mi>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>&gamma;</mi>
<mn>1</mn>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>/</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&gamma;</mi>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</msubsup>
<msubsup>
<mi>&gamma;</mi>
<mn>1</mn>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,λk用于调整各个非线性特征信息的权重,也就是特征根;R是GGD分布中的系数总数,和分别为步骤(10)和步骤(12)得到的广义高斯密度GGD分布的系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510250386.6A CN105139373B (zh) | 2015-05-14 | 2015-05-14 | 基于独立子空间分析的无参考图像质量客观评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510250386.6A CN105139373B (zh) | 2015-05-14 | 2015-05-14 | 基于独立子空间分析的无参考图像质量客观评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105139373A CN105139373A (zh) | 2015-12-09 |
CN105139373B true CN105139373B (zh) | 2018-05-08 |
Family
ID=54724706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510250386.6A Expired - Fee Related CN105139373B (zh) | 2015-05-14 | 2015-05-14 | 基于独立子空间分析的无参考图像质量客观评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105139373B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529545B (zh) * | 2016-09-26 | 2019-11-26 | 北京林业大学 | 一种基于图像特征描述的散斑图像质量识别方法及系统 |
CN109146846B (zh) * | 2018-07-17 | 2022-03-08 | 深圳大学 | 无参考型图像质量评价系统及方法 |
WO2020014862A1 (zh) * | 2018-07-17 | 2020-01-23 | 深圳大学 | 无参考型图像质量评价系统及方法 |
CN112132775B (zh) * | 2020-08-05 | 2023-10-31 | 浙江万里学院 | 一种基于Fisher编码的屏幕内容图像无参考质量评价方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008123370A (ja) * | 2006-11-14 | 2008-05-29 | Ritsumeikan | 独立成分分析(ica)法を用いたデジタル画像の画質改善法 |
CN102521839A (zh) * | 2011-12-14 | 2012-06-27 | 西安理工大学 | 一种用于退化图像恢复的客观无参考图像质量评价方法 |
CN104036493A (zh) * | 2014-05-21 | 2014-09-10 | 浙江大学 | 一种基于多重分形谱的无参考图像质量评价方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010132523A1 (en) * | 2009-05-12 | 2010-11-18 | Ge Healthcare Limited | Image analysis method and system |
-
2015
- 2015-05-14 CN CN201510250386.6A patent/CN105139373B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008123370A (ja) * | 2006-11-14 | 2008-05-29 | Ritsumeikan | 独立成分分析(ica)法を用いたデジタル画像の画質改善法 |
CN102521839A (zh) * | 2011-12-14 | 2012-06-27 | 西安理工大学 | 一种用于退化图像恢复的客观无参考图像质量评价方法 |
CN104036493A (zh) * | 2014-05-21 | 2014-09-10 | 浙江大学 | 一种基于多重分形谱的无参考图像质量评价方法 |
Non-Patent Citations (2)
Title |
---|
Image quality assessment schema with topographic independent components analysis for sparse feature extraction;Ding Yong et al;《ELECTRONICS LETTERS》;20140327;第50卷(第7期);第509-510页 * |
自然图像统计在图像处理领域的应用;张东;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130615(第6期);第I138-1091页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105139373A (zh) | 2015-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108010024B (zh) | 一种盲参考色调映射图像质量评价方法 | |
CN105139373B (zh) | 基于独立子空间分析的无参考图像质量客观评价方法 | |
CN108563975B (zh) | 一种基于深度学习的高密度人群人数估计方法 | |
CN104036493B (zh) | 一种基于多重分形谱的无参考图像质量评价方法 | |
CN108564085B (zh) | 一种自动读取指针式仪表读数的方法 | |
CN106709958A (zh) | 一种基于灰度梯度和颜色直方图的图像质量评价方法 | |
CN107481236A (zh) | 一种屏幕图像的质量评价方法 | |
CN107105223B (zh) | 一种基于全局特征的色调映射图像质量客观评价方法 | |
CN107066958A (zh) | 一种基于hog特征和svm多分类器的人脸识别方法 | |
CN102945552A (zh) | 基于自然场景统计中稀疏表示的无参考图像质量评价方法 | |
CN106600595A (zh) | 一种基于人工智能算法的人体特征尺寸自动测量方法 | |
CN106127688A (zh) | 一种超分辨率图像重建方法及其系统 | |
CN106650667A (zh) | 一种基于支持向量机的行人检测方法及系统 | |
CN110516716A (zh) | 基于多分支相似度网络的无参考图像质量评价方法 | |
CN105678261B (zh) | 基于有监督图的直推式数据降维方法 | |
CN106651829B (zh) | 一种基于能量和纹理分析的无参考图像客观质量评价方法 | |
CN104851098A (zh) | 基于改进结构相似度的立体图像质量客观评价方法 | |
CN107679469A (zh) | 一种基于深度学习的非极大值抑制方法 | |
CN108053396A (zh) | 一种多失真图像质量的无参考评价方法 | |
CN106991428A (zh) | 基于自适应池化模型的害虫图像识别方法 | |
CN111145205B (zh) | 基于红外图像的多猪只场景下猪体温检测方法 | |
CN104408473A (zh) | 基于距离度量学习的棉花品级分类方法及装置 | |
CN109754390A (zh) | 一种基于混合视觉特征的无参考图像质量评价方法 | |
CN104866905B (zh) | 一种基于beta过程的非参数稀疏张量字典的学习方法 | |
CN111508528A (zh) | 基于自然音频统计特性的无参考音频质量评价方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180508 |